论文阅读＞烟雾检测：Video-based Smoke Detection Algorithms: A Chronological Survey

最新推荐文章于 2024-01-09 19:42:25 发布

1226km

最新推荐文章于 2024-01-09 19:42:25 发布

阅读量6.4k

点赞数 5

分类专栏： paper

原文链接：https://www.researchgate.net/publication/282770180_Video-Based_Smoke_Detection_Algorithm_A_Chronological_Survey

版权

paper 专栏收录该内容

12 篇文章 5 订阅

订阅专栏

文章目录

原文
------------------------------------------------
基于视频的烟雾检测算法：时序调查
摘要
关键词
1 介绍
2 现有的烟雾检测算法
5 结论
参考文献

原文

Video-based Smoke Detection Algorithms: A Chronological Survey

------------------------------------------------

基于视频的烟雾检测算法：时序调查

Video-based Smoke Detection Algorithms: A Chronological Survey

John Adedapo Ojo
Jamiu Alabi Oladosu

摘要

在过去的十年中，文献中提出的几种基于视觉的算法已经促进了从视频图像中检测烟雾和火灾的大量技术的发展。

基于视频的烟雾探测方法正在成为传统火灾探测方法的实用替代方法，因为它们具有许多优点，例如早期火灾探测、快速响应、非接触、没有空间限制、能够提供传递火灾进展信息的实时视频以及能够为火灾调查提供法医证据。

本文提供了1998年至2014年文献中可用的不同基于视频的烟雾检测方法的时序调查。

尽管本文的目的不是对所调查的方法进行比较分析，但我们发现了不同方法的优缺点，这将有助于未来基于视频的烟雾或火灾探测研究。

关键词

早期火灾探测，视频烟雾探测，算法，计算机视觉，图像处理。

Early fire detection
video-based smoke detection
algorithms
computer vision
image processing

1 介绍

基于视频的火灾探测（VFD，Video Fire Detection）技术通过使用数值分析对受监控区域进行建模，通过在一定距离内识别摄像机视场内任何地方的烟雾或火焰来探测火灾。VFD技术正在成为常规火灾探测方法的可行替代方案或补充，并已显示出在解决与常规火灾传感器相关的若干问题方面的作用（Çetin等人，2013）。VFD技术具有许多优势，例如响应速度快，在远处进行室内和室外检测，无接触，没有空间限制，提供传递火灾进度信息的实时视频的能力以及提供预先记录的视频片段作为法证的能力进行火灾调查的证据。

当前可用的VFD算法主要使用经过训练的具有可观察到的火焰或烟雾特征的模型。在早期研究中，主要对火焰检测进行了研究。近来，更多的注意力集中在烟雾检测上。其原因可归因于这样的事实：烟雾通常是在火焰之前产生的，并且很容易从远处观察到，因此，这是早期火灾探测的重要标志（Chen＆You，2013）。另外，烟雾传播的速度更快，并且在大多数情况下，烟雾会在相机的视野中发生得更快。此外，先前的研究还表明，烟雾是居民火灾中死亡的主要原因（Prerna＆Shaikh，2013）。因此，烟雾的检测对于预防火灾的爆发非常重要。并且能保护人们免受窒息和吸入有毒气体的伤害。但是，为检测烟雾而开发的大多数计算技术都是先前关于通过火焰进行火灾检测的研究的扩展。

已经提出了许多使用在可见光谱中捕获的视频图像的烟雾检测算法。这些算法从视觉特征中提取结构和统计特征，例如运动，颜色，边缘，模糊度，几何形状，纹理和烟雾区域的能量。然后，将提取的特征用作基于规则，贝叶斯或规则优先的贝叶斯下一步分析的输入，以检测烟雾的存在。大量方法还采用红外相机捕获图像以进行烟雾检测。由于烟雾的时空特性取决于照相机和烟雾源之间的距离，因此通常设计出不同的算法来检测近距离和远距离烟羽。由于无法使用基准数据集进行烟雾检测实验，因此很难对可用算法进行客观比较，而且许多方法都针对特定的环境，例如室内，室外或森林火灾检测。同样，大多数作者没有对他们提出的算法进行定量评估。

Verstockt, Merci, Lambert, Van de Walle & Sette (2009); Mengxin, Weijing, Ke, Jingjing & Dingding (2013); Çetin et al. (2013); 和Ahmad (2014)对此领域的相关研究进行了综述。Verstockt等人（2009）简要介绍了有关基于视频的火灾探测的常被引用的论文。 Mengxin（2013）等人发表的论文还概述了有关火焰和烟雾检测技术的常用论文。 Ahmad（2014）对森林火灾探测采用的不同技术进行了综述。 Çetin等人（2013）对视频火灾探测进行了全面回顾。然而，在Çetin等人（2013年）的研究中，人们将更多的注意力放在了他们以前基于视频的火灾探测研究中使用的算法的审查上。因此，需要对大多数现有方法进行详细调查，以作为开发更强大的基于视频的火灾和烟雾检测系统的平台。

本文的目的是讨论在基于视频的烟雾检测的文献中发现的不同算法。尽管有大量的综述文章介绍了火焰检测，烟雾检测或两者的算法，但本研究仅限于专门为视频图像中的烟雾检测设计的算法。尽管对100多篇论文进行了调查，但我们的讨论仅限于被认为与其他方法明显不同的方法。

本文的其余部分安排如下：
第2节按时间顺序概述了文献中可用算法的代表。
第三部分对基于视频的烟雾检测的发展方向作了总结性说明。

2 现有的烟雾检测算法

本节介绍了现有论文的时间顺序概述（从1998年至2014年）。对于每篇审阅的论文，都将简要讨论其基本算法，并平等地讨论每种方法的感知优势和劣势。

Breejen, E., Breuers, M., Cremer, F., Kemp, R., Roos, M., Schutte, K. & Vries, J (1998). Autonomous forest fire detection. Third International Conference on Forest Fire Research and Fourteenth Conference on Fire and Forest Meteorology, Luso, Portugal.

在Breejen等人（1998年） 提出的自主森林火灾探测系统中，凝视的黑白摄像机用于根据自然背景下烟羽的时间差异来检测森林火灾。使用合并表将获取的图像分为高度和宽度相等的块。然后获得每个仓的移动平均值和移动标准偏差。移动平均线用于跟踪由于太阳和云而引起的箱强度的正常变化。衰减滤波器用于估计每个仓的移动平均值，其中新的移动平均值是旧平均值的一个分数（α）和当前平均值的另一个分数（1-α）之和。因此，平均周期可以通过改变这些分数来调节。使用移动标准偏差估算箱强度的方差。箱标准偏差计算为移动平方平均值和平方移动平均值之差的平方根。另一个衰减滤波器用于估计移动标准偏差。为了检测，引入了两个阈值（下限和上限）。上限设置为移动平均值加常数（k）乘以移动标准偏差，下限设置为移动平均值减k乘以移动标准偏差。平均强度在阈值之外的箱被认为是烟雾候选者。将最近16次检测到的聚类，并确认为烟雾块。考虑到当时可用的硬件和计算技术，该算法代表了基于视频的烟雾检测中的一项重大工作。
但是，考虑到背景中动态变化的复杂相互作用，遮挡以及缓慢或重复移动的物体的存在，该方法太基础了。

Kopilovic, I., Vagvolgyi, B. & Sziranyi, T. (2000). Application of panoramic annular lens for motion analysis tasks: surveillance and smoke detection. Proceedings of 15th International Conference on Pattern Recognition Vol. 4. IEEE, 3-7 Sept. (2000) 714–717.

Kopilovic，Vagvolgyi和Sziranyi（2000） 利用了烟雾运动的非自相似性和不规则性。该方法有两个假设：烟雾的运动往往是非自相似的（在较大的比例下，烟雾的运动是规则的；在较小的比例下，烟雾的运动是不规则的）。由于不坚硬，烟气运动是不规则的。他们从两个相邻的图像计算出光流场，然后利用运动方向分布的熵作为主要特征来区分烟雾运动与非烟雾运动。考虑到非自相似性，应用了多尺度光流计算和速度扭曲。然后将统计（贝叶斯）决策用于最终烟雾检测。
该方法具有计算量大，反应时间长的特点。

Guillemant, P. & Vicente, J. (2001). Real-time identification of smoke images by clustering motions on a fractal curve with a temporal embedding method. Optical Engineering, vol.40, no.4, pp.554-563.

Guillemant＆Vicente（2001） 实施了一个用于森林监测站的实时自动烟雾探测系统。他们的方法基于这样一个假设，即烟羽速度分布的能量比其他自然事件要高，除了云之外，而云的标准偏差要比烟气低。首先对图像序列进行时间分析，以分割在低频下表现出动态活动的像素。累积动态数据是通过瞬时低频变化的时间加权获得的。然后，使用空间分析获得区域边界。出于分类目的，他们利用分形嵌入和链表链接来分割烟雾区域。
据报告，该系统的平均检测时间少于3分钟。这种方法是一种相对可靠的检测算法。
但是，没有考虑视频监视场景中典型的其他运动对象的存在，并且需要减少平均检测时间以获得更快的响应。

Gomez-Rodriguez, F., Pascual-Pena, S., Arrue, B. & Ollero, A. (2002). Smoke detection using image processing. Proceedings of 4th International Conference on Forest Fire Research & Wildland Fire Safety, November 2002, pp. 1–8.

Gomez-Rodriguez，Pascual-Pena，Arrue＆Ollero（2002）； Gomez-Rodriguez，Arrue＆Ollero（2003） 使用光流和小波分解算法进行野火烟雾检测和监测。光流算法用于运动检测；小波分解用于解决光流中的孔径问题。在检测并分割烟雾后，还可以从图像序列中提取烟雾特征，例如速度，最大高度，视在体积，灰度，色散及其倾斜角度。
该算法具有较高的计算成本。

Nobuyuki, F. & Kenji, T. (2004). Extraction of a Smoke Region Using Fractal Coding. International Symposium on Communications and Information Technologies, Sapporo.

Nobuyuki＆Kenji（2004） 利用 烟雾的自相似特性，使用分形编码方法从灰度图像中分割烟雾区域。该方法试图通过在图像的分形编码产生的代码中发现烟雾区域的区别特征来尝试提取烟雾区域。然后，使用一些决策规则来找出哪些分段区域实际包含烟雾。
该方法具有较高的计算成本，并且其性能尚未通过大量烟雾图像进行全面测试。

Liu, C.B. & Ahuja, N. (2004). Vision based fire detection. Proceedings of 17th International Conference on Pattern Recognition (ICPR), August 2004, vol. 4, pp. 134 –137.

Liu＆Ahuja（2004） 提出了 视觉图像序列中火区的光谱，空间和时间模型。光谱模型用火象素的颜色概率密度表示。使用区域轮廓的空间频率含量，使用其傅里叶系数表示着火区域的形状。使用傅里叶系数系列的自回归模型，这些系数的时间变化被用作着火区域的时间特征。
虽然从大量场景中获得的结果表明该方法能够可靠地检测火灾，但是已知傅立叶描述符对噪声敏感。

Töreyin, B. U., Dedeoglu, Y. & Çetin, A. E. (2005). Wavelet based real-time smoke detection in video. European Signal Processing Conference (EUSIPCO), 2005.

在Töreyin，Dedeoglu和Çetin（2005） 中，提出了一种近距离（<100米）烟雾探测系统的方法。该算法包括五个步骤：（i）确定视频当前帧中的运动像素或区域，（ii）使用空间小波变换检查与这些区域中的边缘相对应的高频内容的减少。如果边缘失去锐度而没有完全消失（iii）检查其U和V通道的减少，（iv）使用时间小波变换进行闪烁分析，最后（v）检查运动区域的形状凸度。
使用具有自适应阈值的Collins的背景减除算法，可以找到图像中的运动区域。该方法基于以下假设：近距离烟雾是半透明的，并且由于当烟羽覆盖它们时，图像帧中对象的边缘会失去清晰度。这导致图像的高频含量降低。为了检测该行为，计算背景图像和当前图像的空间离散小波变换，并使用这些小波图像来监视场景的高频能量的降低。还可以认为，以10Hz闪烁的火焰在1-3 Hz的频率范围内在烟雾边界中引起的闪烁频率较低。然后通过将时间小波变换应用于运动像素来量化烟雾的闪烁。为了进行颜色分析，可以确定，烟雾与燃料类型无关，自然会降低像素的色度通道U和V值。在做出最终决定时，然后检查包含候选烟雾像素的运动区域的边界是否沿等间距的垂直和水平线凸出。这基于这样一种假设，即不受控制的火势的烟雾会随着时间的流逝而膨胀，从而导致边界凸出的区域。如果对于像素满足所有上述标准，则将包括该像素的移动区域确认为烟雾。在Töreyin，Dedeoglu和Çetin（2006）中，使用了相同的背景减法和空间小波域分析方法。但是这次使用隐马尔可夫模型（HMM）对烟雾的时间行为进行建模。烟区域边界的不规则轮廓也在小波域中表示，以检查其高频行为。
该算法代表了基于视频的烟雾检测技术的一大进步。
但是，它们的计算量很大。产生大量错误警报；并且由于使用固定的阈值来分析图像的能量以及在烟雾区域的能量衰减方面缺乏过滤，导致在场景中发生突然的光照变化时缺乏灵活性。

Thou-Ho, C., Yen-Hui, Y. & ShiFeng, H. (2006). The Smoke Detection for Early Fire Alarming System Based on Video Processing. IEEE 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP), pp. 427-430.

Thou-Ho，Yen-Hui和ShiFeng（2006） 提出了一种烟雾检测算法，该算法使用简单的帧差分算法对运动区域进行分割，然后再使用两个决策规则。静态和动态都适用。静态决策基于烟的灰色，而动态决策规则基于烟的传播特性，例如烟的增长率和烟感紊乱。用HSI颜色空间的强度分量描述了灰色。通过统计分析，作者观察到烟雾像素的强度值在一定范围内。
带有灰色的运动物体（例如云层或阴影）可能会触发错误警报。因此，提出的方法可能不是足够鲁棒的烟雾检测算法。

Turgay, Ç., Hüseyin, Ö. & Hasan, D. (2007). Fire and smoke detection without sensors: Image processing based approach. 15th European Signal Processing Conference EUSIPCO 2007, Eurasip, pp. 1794 – 1798, 2007.

Turgay，Hüseyin＆Hasan（2007） 提出了另一种使用颜色分析和运动检测的算法。所提出的模型基于用于火灾和烟雾检测的不同颜色模型。这些颜色模型是通过对从图像中提取的样本进行统计分析而获得的。该检测系统假设在火灾开始时，预计烟雾的颜色范围从白蓝色到白色，并且随着火灾的进行，烟雾的颜色在从黑色到黑色的范围内变化。该检测算法包括简单的运动检测，RGB色彩通道之间的阈值检测和HSV色彩空间中的低饱和度检测。
由于云的颜色是灰色的，并且应用的简单运动检测会将云检测为移动的对象，因此该技术的误报率很高，因此它并不是检测各种颜色烟雾的通用方法。

Xiong, Z., Caballero, R., Wang, H., Finn, A.M., Lelic, M. A. & Peng, P.-Y. (2007). Video-based smoke detection: possibilities, techniques, and challenges. Proceedings of Suppression and Detection Research and Applications (SUPDET). A Technical Working Conference, 2007.

Xiong等人（2007年） 设计了一种烟雾检测系统，该系统使用烟雾的背景减除，闪烁分析，轮廓和湍流特征。自适应高斯混合模型（GMM）用于背景建模；像素值与像素背景高斯分布之一不匹配的像素将使用连通分量分析作为移动斑点进行分组。烟雾的低频闪烁特性使用平均穿越率（MCR）进行量化。来自背景减法模块的运动斑点在内部具有足够数量的闪烁像素，用于提取候选区域的轮廓。这些区域通过最终分类器，该分类器使用表征烟雾湍流行为的特征。
虽然获得了可喜的结果，但该方法的特征在于较高的虚警率。

Xu, Z. & Xu, J. (2007). Automatic fire smoke detection based on image visual features. Proceedings of International Conference on Computational Intelligence and Security Workshops, December 2007, pp. 316 –319.

Xu＆Xu（2007） 提出了另一种利用背景扣除和闪烁分析的方法。他们提出了一种火灾烟雾检测算法，该算法同时利用了火灾烟雾的静态和动态特征。分为四个主要阶段。在第一阶段，使用背景减法检测运动目标，然后提取运动物体的轮廓。在提取对象的轮廓之后，执行特征提取过程。采用平均交叉速率（MCR）来计算时间周期性。而且，获得了由边缘长度与面积之比给出的形状复杂度的量度。将包括生长，无序，边界频繁闪烁，自相似特征和局部小波能量的特征组合在一起并进行归一化以形成联合特征向量。然后，将两层反向传播（BP）神经网络分类器用于烟雾检测。尽管用足够数量的视频对系统进行了测试，但本文中并未提供对烟雾检测帧数和误报率的定量测量。

Jing, Y., Feng, C. & Weidong, Z. (2008). Visual-Based Smoke Detection Using Support Vector Machine. Natural Computation, 2008. ICNC '08. Fourth International Conference vol.4, no., pp.301-305.

在Jing，Feng和Weidong（2008） 的工作中，使用了一种简单的运动检测算法，然后将烟雾的不规则性用作特征集。还引入了一些其他参数，例如前景区域，烟雾块数，烟雾周长和烟雾面积，以生成特征向量。然后，将支持向量机（SVM） 最终用于分类。
据报道该方法实现了令人满意的性能，但是仍然需要解决错误警报率问题。

Piccinini, P., Calderara, S. & Cucchiara, R. (2008). Reliable smoke detection system in the domains of image energy and colour. Proceedings of International Conference on Image Processing, October 2008, pp. 1376 –1379.

Vision based smoke detection system using image energy and color information
Piccinini，Calderara和Cucchiara（2008） 提出了一种烟雾检测系统，该系统将稳定的背景抑制与烟雾检测相结合。统计和基于知识的对象跟踪器（这是一个具有基于知识的更新阶段的时间中位数模型）用于背景抑制，而小波变换能量分析和颜色分析用于烟雾检测。为了检测运动，获取当前图像和背景模型之间的差异，然后使用两个不同的局部阈值和像素变化阈值进行二值化：低阈值，用于滤除由于强度变化较小而提取的有噪像素；高阈值以识别强度变化较大的像素。然后使用HSV颜色空间中颜色形状和渐变信息的组合来验证对象，以消除由于较小的背景变化而导致的伪影和对象。采用的背景模型可以进行精确的分割，从而成功处理背景对象的阴影，重影和微小移动。然后提取小波模型中的能量变化和烟雾的颜色模型作为特征。背景图像和当前图像之间的小波域能量比的降低用于检测代表纹理水平变化的烟雾。混合的高斯模型对该纹理比率进行时间演化。对于颜色分析，假定烟开始膨胀时，被烟覆盖的场景区域会从半透明变为完全不透明，从而逐渐更改其颜色属性。所提出的方法采用基于从计算机图形导出的混合函数的评估。然后选择RGB颜色空间中的参考颜色模型来模拟场景中的烟雾颜色；然后计算当前像素颜色与模型的偏差。为了识别场景中的烟雾区域，使用后验概率值为阈值的贝叶斯方法对逐块能量比和颜色混合特征进行分类。对于场景中的每个分割对象，计算与对象的斑点相交的候选块的数量；当物体的70％覆盖候选烟雾块时，最终将其归类为烟雾。
使用该方法可获得满意的结果。
但是，该技术无法满足颜色不同于浅灰色的烟雾。

Yuan, F. (2008). A fast accumulative motion orientation model based on integral image for video smoke detection. Pattern Recognition Letters, vol. 29, no. 7, pp. 925 932, May 2008.

Yuan（2008） 通过快速估计烟雾的运动方向，提出了一种基于积分图像的累积运动模型。该算法采用运动检测以及运动流的方向和颜色信息来检测烟雾。通过将帧差异应用于子块图像来检测运动区域。烟雾颜色是使用RGB颜色空间中的阈值确定的。假定烟雾向上移动，累积方向的直方图用于提取运动方向。为了补偿定向估计的不准确性，执行了随时间的定向累积。据报道，该模型能够消除人造光和无烟运动物体的干扰。但是，运动估计算法在烟雾检测的情况下非常慢。同样，由于基于色度的方法依赖于烟的颜色，因此也不可靠。

Gubbi, J., Marusic, S. & Palaniswami, M. (2009). Smoke detection in video using wavelets and support vector machines. Fire Safety Journal, vol. 44, no. 8, pp. 1110 –1115, November 2009.

Gubbi，Marusic和Palaniswami（2009） 提出了基于小波和支持向量机（SVM）的户外烟雾检测方法。在该方案中，将图像帧分为32 x 32像素的小块，并使用具有预处理，特征提取和分类子单元的标准模式识别方法，并通过训练和测试阶段对烟雾进行表征。在研究中，离散余弦变换（DCT）和小波变换用于生成特征。然后使用线性分类器（K-NN）和非线性分类器（SVM）分别测试提取的特征，以研究它们各自的性能。发现小波和支持向量分类器的组合产生最低的假阳性率，最高的灵敏度为0.9，特异性为0.89。经过初步测试，该方案中最终选择了三级Daubechies小波，其中计算了每一级的水平，垂直和对角线分量。为了从生成的特征中获得减少和更好的表示，从子波子带的系数计算六个导出的特征：算术平均值，几何平均值，标准偏差，偏度，峰度和熵。总共获得了三个级别的60个特征，并将它们用作基于径向基函数的二进制SVM分类器的输入。
尽管获得了非常有希望的结果，但是特征向量的大维可能使该方法对于实际的烟雾检测方案来说太慢了。

Yu, C., Zhang, Y., Fang, J. & Wang, J. (2009). Texture Analysis of Smoke for Real-Time Fire Detection. Second International Workshop on Computer Science and Engineering, vol. 2, pp.511-515.

Yu，Zhang，Fang＆Wang（2009） 开发了一种利用小波特征和神经网络的方法。该方法使用纹理分析来检测烟雾，以进行实时火灾探测。所提出的方法包括三个主要阶段。首先，将视频帧划分为块数。然后，将自适应高斯混合模型（GMM）算法用于背景减法，以确定块中的前景像素。如果块中前景像素的数量大于某个阈值，则将该块视为候选块。最后，对每个候选块执行使用GLCM的特征提取。为了确定烟雾区域的特征，通过计算相关候选块的能量，对比度和均匀性来生成特征。然后将提取的特征应用于BP神经网络进行分类。
尽管作者报告仅从2个烟雾视频和2个非烟雾视频中获得了令人鼓舞的结果，但是仍需要在具有不同大小和不同噪音水平的烟雾纹理的大型数据集上对该算法进行测试。
另外，对于实时应用，特征提取和分类步骤需要很好地优化。

Verstockt, S., Merci, B., Lambert, P., Van de Walle, R. & Sette, B. (2009). State of the art in vision-based fire and smoke detection. Proceedings of the 14th International Conference on Automatic Fire Detection, vol.2, pp.285-292.

Verstockt，Merci，Lambert，Van de Walle＆Sette（2009） 提出了一种基于色度的烟雾检测算法，并进行了后向校正。提出的烟雾检测算法包括五个步骤：（i）子块化（ii）背景扣除，（iii）能量分析，（iv）边界混乱分析和（v）清理后处理。为了克服烟雾运动检测中标准背景估计方法的不稳定性，提出了一种能够应对烟雾渐进特性的更鲁棒的背景估计方法。通过将当前帧中给定块的YUV色度值与背景模型中相应块的值进行比较来确定运动（烟）块。如果对于块中超过一半的像素，色度值的绝对值之差超过预定义的色度阈值，则将该块标记为前景。平均绝对色度值，空间亮度差的标准偏差也用于防止将非常低色度值的块标记为背景；同时将当前背景块与以前的背景估计值进行后退校正安排进行比较，以克服逐渐出现烟雾的问题。前景块被分组为相连的区域，即斑点。对于每个斑点，该算法使用能量和边界无序分析做出最终决定，即给定帧中的斑点是否包含烟雾。使用离散小波变换，将斑点强度值的能量与背景估计帧和背景缓冲器中斑点区域的强度值的能量进行比较。如果斑点能量下降并且能量变化超过预定阈值，则将斑点标记为候选烟雾。然后，对于每个候选烟雾斑点，使用湍流度量标准随时间分析斑点的边界紊乱，该度量通过将候选斑点的周长与该斑点的面积的平方根相关联来计算。如果斑点，背景估计帧中的斑点区域和缓冲区之间的边界变化超过另一个阈值，则将斑点标记为烟雾。
与其他方法相比，该算法可实时工作，减少了误报。但是，固定阈值的使用使算法不灵活。同样，这种方法不可能实现烟雾定位。

Töreyin, B.U. (2009). Fire Detection Algorithms Using Multimodal Signal and Image Analysis. PhD dissertation, Bilkent University, Department of Electrical and Electronics Engineering, Ankara, Turkey.

Töreyin＆Çetin（2009） 开发了一种在野火监视系统中进行远程烟雾探测的算法。该算法是一种在线学习方法，采用人为判断（甲骨文）来更新其决策值。主要检测算法包括四个子算法，这些算法检测（i）使用自适应背景减法的慢速运动对象，（ii）使用YUC颜色空间的灰色区域，（iii）使用隐马尔可夫模型（HMM）的上升区域，以及（iv）阴影在图像和背景之间使用RGB角度。每种算法都会在视频序列的每个图像帧中产生一个模糊决策值，作为实数在[-1，1]范围内。在训练阶段，使用最小均方（LMS）方法组合来自子算法的决策。使用LMS可以使作为主要算法的总体决策与oracle决策之间的差异的误差函数最小化，从而获得正确的分类。
据报告，与其他一些方法相比，提出的主动学习方案的学习时间相对较短（Kose等，2009）。
据报告，该系统在4小时内平均产生1次虚假警报。

Damir, K., Darko, S. & Toni, J. (2009). Histogram-Based Smoke Segmentation in Forest Fire Detection System. Information Technology and Control. Vol.38, No.3, 2009,pp.237-244.

Damir，Darko和Toni（2009） 研究了在野火检测系统中基于直方图的烟雾分割中使用的不同颜色空间转换和特征分类器。他们的目标之一是为烟雾探测任务选择算法-颜色空间组合。它们提供了YCrCb，CIELab，HSI和HSI颜色空间的派生图中的直方图评估。查找表（LUT）和两个具有不同密度估计的朴素贝叶斯分类器用于对直方图进行分类。他们的结果表明，在不同的颜色转换中，分类器的性能并未得到明显改善。每个分类器对于每个色彩空间显示出相似的性能，但是在不同的分辨率下可以达到最大速率。与贝叶斯分类器一起使用时，HSI和RGB颜色空间可实现最佳性能。
据称，该算法已成功实施为智能森林火灾监控系统（iForestFire）的烟雾检测方法之一，该系统用于监控克罗地亚共和国的海岸线。

Qinjuan, L. & Ning, H. (2009). Effective Dynamic Object Detecting for Video-based Forest Fire Smog Recognition. Image and Signal Processing CISP '09. 2nd International Congress on, pp. 1-5, 2009.

Qinjuan＆Ning（2009） 提出了一种在森林火灾自动监视中检测运动烟雾区域的技术。该算法的第一部分在多帧时间差运算之后对每个差分帧使用有限阈值处理，以从连续森林火灾帧中提取森林烟雾的持续动态行为。他们的算法还采用了颜色和面积增长的线索，可以有效地区分相似的自然现象。在分类阶段，他们使用颜色信息和增长率。
据报道，实现了高检测率，并且误报率被限制在15％。
但是，使用颜色进行分类可能会使该技术不可靠。在具有其他移动物体和嘈杂图像采集设备的环境中，该方法也不可靠。

Dongil, H. & Byoungmoo, L. (2009). Flame and smoke detection method for early real-time detection of a tunnel fire. Fire Safety Journal, pp. 951-961.

Dongil＆Byoungmoo（2009） 提出了一种在隧道环境中实时检测火灾和烟雾的方法。他们使用运动历史图像来实现背景减影算法。不变矩用于将烟雾与普通运动物体分开。颜色和运动信息还用于最小化隧道中的错误检测。
该方法显示在隧道环境中成功工作。

DongKeun, K. & Yuan-Fang, W. (2009). Smoke Detection in Video. WRI World Congress on Computer Science and Information Engineering, vol. 5, pp.759-763.

在大多数VSD算法中，摄影机应该是固定的，但有些研究也试图处理运动的摄影机。 DongKeun＆Yuan-Fang（2009） 提出了一种基于块的三步式烟雾检测系统。第一步，确定相机是否在移动。如果摄像机正在移动，则跳过随后的步骤。否则，第二步是检测当前输入帧相对于背景图像的变化区域，并使用连接的分量分析来定位感兴趣的区域（ROI）-斑点。第一步和第二步都应用了块减法。最后一步是使用从ROI提取的k个时间颜色和形状信息来确定检测到的斑点是否表示烟雾。使用两个点之间的最小距离的两个点来计算斑点的距离。合并的斑点使用凸包算法中的边界多边形表示。并且所有小斑点都合并为一个大斑点。然后，该算法提取特征，包括面积，边界矩形，Y值的平均值和标准偏差以及YUV颜色通道的UV值的平均值和标准偏差。保留从k个先前的时间帧计算出的特征。如果斑点连续变化其形状和面积，并且在所有k帧的Y值中具有相似的统计信息，则将其分类为烟雾。
该方法产生了一些有希望的结果。实验中仅使用了两个视频；因此，该方法需要在更多数据集上进行测试。而且，所提出的系统在实时应用中的性能需要得到验证。

Ho, C.-C. (2009). Machine vision-based real-time early flame and smoke detection. Measurement Science and Technology, vol.20, no.4, pp.045502.

Ho（2009） 提出了另一种基于视频的实时火焰和烟雾检测方法。运动历史图像用于找到运动的像素位置，其频谱，空间和时间特性随后将进行分析以定位烟雾区域。通过比较在HSI颜色空间中获得的火焰和烟雾颜色直方图模型来表示区域的光谱概率密度。区域的周长和面积用于表示烟雾的空间概率密度。在模糊推理框架中使用光谱和空间密度获得候选区域。然后使用水平交叉来检测候选区域的闪烁频率，表示为时间概率密度，该时间概率密度用于将火焰和烟雾区域与相似对象分离。连续自适应均值漂移用于提供烟雾区域的实时位置，作为对检测算法的反馈。
该算法在不同条件下进行了测试，据报道可提供可靠的检测性能。尽管本文提出了令人鼓舞的结果，但该方法需要对复杂移动环境中的模糊推理进行更多研究。

Zhou, Y., Yi, X. & Xiaokang, Y. (2010). Fire Surveillance Method Based on Quaternionic Wavelet Features. 16th International Conference Multimedia Modeling (MMM2010), SW Univ, Fac Comp Informat Sci, Chongqing, China, Volume 5916, pp. 477-488, Jan. 2010.

Zhou，Yi＆Xiaokang（2010） 开发了一种使用四元小波特征的火灾和烟雾检测系统。在这种方法中，当移动物体的特征是在正垂直方向上的速度时，它们被视为候选烟雾区域。同样，使用四元数Gabor小波获得了火区的局部光谱，空间和时间特征。为了减少误报，一维时间过滤器内核用于捕获火灾区域中的随机闪烁行为。然后使用五个基于GLCM的纹理描述符，熵，对比度，角秒矩，反差矩和图像像素相关性以及候选烟雾区域的平均值来训练支持向量机（SVM）模型。
尽管计算量大，但在各种条件下的实验结果表明，该方法比以前的某些方法具有更好的性能。

Liu, Y., Yu, C. & Zhang, Y. (2010). Nighttime Video Smoke Detection Based on Active Infrared Video Image. International Conference on Electrical and Control Engineering, 2010, pp. 1359-1362.

Liu，Yu和Zhang（2010） 解决了夜间将烟雾与非烟雾源（例如手电筒光束）区分开的问题。他们引入了红外摄像头来检测夜间的烟雾。该方法使用原始图像灰度方法提取烟雾。然后，它使用烟雾检测流程图来检测实际烟雾。
各种研究（Töreyin，2009； Gunay，Tasdemir，Töreyin＆Çetin，2009； Verstockt等，2010）同样表明，使用红外热像仪可以解决在夜间或光线不足的环境中检测烟雾的问题。

Ma, L., Wu, K. & Zhu, L. (2010). Fire Smoke Detection in Video Images Using Kalman Filter and Gaussian Mixture Color Model. International Conference on Artificial Intelligence and Computational Intelligence (AICI ‘10), pp. 484. 23-24, Oct. 2010.

Ma，Wu＆Zhu（2010） 提出了一种使用卡尔曼滤波器和高斯色彩模型检测图像序列中烟雾的方法。首先通过卡尔曼滤波器和MHI（运动历史图像）分析，使用场景自适应背景中的图像减法来检测运动对象。然后，使用离线EM算法从样本中训练出的高斯色彩模型用于检测候选的火灾烟雾区域。最终烟雾确认是通过对可疑烟雾区域的动态特征进行时间分析来进行的，其中将小波域中的较高频率能量和色彩混合系数用作烟雾特征。
该算法尚未在大型数据集上进行过测试。

Maruta, H., Kato, Y., Nakamura, A. & Kurokawa, F. (2009). Smoke detection in open areas using its texture features and time series properties. Industrial Electronics, ISIE 2009. IEEE International Symposium, pp.1904-1908.

Maruta，Kato，Nakamura和Kurokawa（2010） 认为烟雾的图像信息是自仿射分形，他们使用提取的局部Hurst指数分析可疑烟雾区域的自相似性。首先，从灰度图像序列中检测出运动物体，然后使用图像二值化和形态学运算进行噪声去除。使用纹理分析提取烟雾特征。然后，将提取的特征作为时间序列数据处理，以获得烟雾检测的最终结果。

Chengjiang, L., Jianhui, Z., Shizhong, H., Lu, X., Zhiyong, Y., Jing, H. & Weiwei, G. (2010). Transmission: A New Feature for Computer Vision Based Smoke Detection. Artificial Intelligence and Computational Intelligence, 389-396.

受航空-反照率歧义模型的启发， Chengjiang 等人（2010年） 引入了传输作为检测烟雾并确定其相应厚度分布的新的基本功能。首先使用航空-反照率歧义模型建立烟雾光学模型。然后，估计使用暗通道先验的初步烟雾传播（这基本上是RGB颜色通道中的颜色分析），然后使用软消光算法进行完善。最后，使用传输通过阈值检测烟雾区域。通过将烟雾区域的透射率映射为灰度图像，可以获得有关烟雾厚度分布的详细信息。
据报道，该方法在检测重度或轻度烟雾方面非常有效，并且在估计烟雾厚度分布方面非常有用。
但是，该方法仅限于检测灰白色烟雾。尚无有关其性能的定量信息。

Habiboglu, H.Y., Gunay, O., & Çetin, E. A. (2011). WILDFIRE DETECTION USING CORRELATION DESCRIPTORS. 19th European Signal Processing Conference (EUSIPCO 2011) Barcelona, Spain, August, 29-September 2, 2011.

Habiboglu，Gunay和Çetin（2011） 开发了基于视频的野火检测系统，该系统基于时空相关描述符。所提出的算法由三个主要子算法组成：（i）视频中的慢速运动对象检测，（ii）烟色区域检测，以及（iii）基于相关性的分类。为了进行运动物体检测，采用了基于高斯混合模型（GMM）的背景扣除方法。在学习时间的几秒钟内，将执行非常快速的后台更新；之后，背景更新会非常缓慢地执行，因此可以检测到较小且运动缓慢的物体。对于颜色分析，通过在YUV颜色空间中使用基于阈值的方法来识别烟雾颜色区域。可以认为烟雾区域的亮度值应该很高，而大多数烟雾源的色度值应该非常低。因此，如果图像像素的亮度高于阈值，则将其视为烟雾。并且其色度值低于另一组实验确定的阈值。对于特征提取，提出了时间扩展和归一化的相关描述符。该方法假定烟雾彩色图像区域不包含强边缘，并且显示出宽广的平稳性。因此，协方差描述符用于建模图像中烟雾区域的空间特征。最后，将SVM分类器用于训练和测试所获得的描述符。
该方法计算效率高。
但是，如果烟雾浓密或烟雾很小且远离相机，可能会表现不佳。

JoonYoung, K., ByoungChul, K. & Jae-Yeal, N. (2011). Forest smoke detection using CCD camera and spatial-temporal variation of smoke visual patterns. CGIV '11 Proceedings of the 2011 Eighth International Conference Computer Graphics, Imaging and Visualization, pp 141-144, IEEE Computer Society Washington, DC, USA .doi>10.1109/CGIV.2011.40.

JoonYoung，ByoungChul和Jae-Yeal（2011） 提出了一种使用时空特征和基于森林的随机模式分类技术的森林烟雾检测方案。首先，每当差异高于某个阈值时，就从两个连续关键帧之间的差异中检测出移动区域。在检测到候选烟雾块之后，将对图像进行扫描，以使用形态学闭合基于块连接性将这些块分组为簇。然后从100个连续的帧中提取强度，小波能量和运动方向的时空视觉模式，以形成特征向量。对于能量特征，在Daubechies小波变换之后，使用高频系数的线性组合从候选烟雾块中计算出小波能量的平均值和小波能量的偏度。另外，当前和先前关键帧之间的运动方向是基于以下假设来估计的：由于热对流，烟气倾向于向上移动。在估计了每个块的运动之后，将运动的方向离散为八个方向，每个离散方向编码为1-8。然后使用高斯归一化方法将每个块（尺寸为5）的最终特征向量归一化为单位长度。然后使用随机森林的决策树训练提取的烟雾候选块。
据报道，该算法具有更好的检测性能。
然而，考虑到构建特征向量所需的大量连续视频帧，该方案对于实时应用而言可能太慢。
同样，算法中可能忽略了风对烟气方向的影响。

Yuan, F. (2011). Video-based smoke detection with histogram sequence of lbp and lbpv pyramids. Fire Safety Journal, vol. 46, no. 3, pp. 132 139, April 2011.

Yuan（2011） 通过将直方图（LBP）和直方图方差（LBPV）金字塔的直方图序列连接起来，提出了一种有效的特征向量，并使用反向传播神经网络进行了烟雾检测。 Yuan（2012）使用双重映射框架提取基于分区的烟雾特征，并使用AdaBoost来增强分类性能。第一个映射是从原始图像到块特征。通过将边缘方向，边缘大小和局部二进制图案（LBP）位的直方图以及边缘大小，颜色强度和饱和度的密度进行级联来呈现特征向量。为了获得形状不变的特征，将检测窗口划分为一组称为分区的小块，并通过更改块大小和分区方案来生成许多多尺度分区。计算每个分区的每个块内的每个特征图像的总和以生成块特征。同样，在所有分区上计算块特征的统计特征，例如均值，方差，偏度，峰度和Hu矩，以形成特征池。 AdaBoost用于从特征池中选择可区分的形状不变特征。
实验表明，与常规方法相比，该方法具有更好的泛化性能和对几何变换的不敏感度。事实证明，所采用的方法可在当时达到最高水平。

Leonardo, M-G., Gabriel, S-P., Mariko, N., Karina, T-M., Hector, P. M. & Luis, R-C. (2012). An Early Fire Detection Algorithm Using IP Cameras. Sensors 2012, 12, 5670-5686; doi:10.3390/s120505670.

Leonardo等人（2012年） 提出了一种烟雾检测方案，该方案是为MJPEG编解码器系统设计的。该方案包括四个阶段：视频帧获取阶段，基于DCT互变换的预处理阶段，烟雾区域检测阶段和区域分析阶段。在视频帧获取阶段，每个帧均由IP摄像机捕获并使用标准JPEG编解码器进行编码，其中，二维DCT应用于每个帧的8×8像素的非重叠块。在预处理阶段，不使用逆DCT（IDCT），将DCT互变换应用于每帧8×8系数的所有DCT块，以获得4×4系数的DCT块。在烟雾区域检测阶段，分析烟雾的运动和颜色属性，以获得候选烟雾区域。该阶段接收由每个帧的预处理阶段预先计算的系数的DCT块，该系数由三个通道组成：亮度通道（Y）和两个色度通道（Cb和Cr）。仅使用亮度通道Y分析烟雾的运动特性，并使用两个色度通道Cb和Cr分析烟雾的颜色特性。使用形态学运算来处理候选区域，以消除孤立的块。使用连接的组件标记算法，通过时间分析候选区域的烟雾膨胀特性，以丢弃非烟雾区域。
当背景和烟雾颜色相似、相机距离烟源很远时，该算法具有较高的误报率。

Timothy M. D. (2012). Early Forest Fire Detection Using Texture Analysis of Principal Components from Multispectral Video. Master of Science Thesis in Electrical Engineering, Faculty of California Polytechnic State University, San Luis Obispo, California.

在Timothy（2012） 中，提出了一种基于多光谱视频的烟雾检测方法。该研究结合了烟羽的光谱，时间和空间属性，以进行早期森林火灾探测。多光谱（红色，绿色，蓝色，中波红外和长波红外）图像处理技术用于分割和识别场景中烟羽的存在。使用对一系列视频帧同时执行的多光谱-多时间主成分分析（PCA），可以获得烟羽的时间和光谱方差。存在于较高阶主成分之一中的羽流的存在由其空间内容的纹理确定。纹理的特征在于统计描述符，该描述符从主成分在灰度共生矩阵（GLCM）中出现的强度的联合概率密度分布中得出。据报道，通过PCA可以很容易地分割出烟羽。在这些主要组成部分中，烟雾的存在最好通过相关纹理描述符来识别，因为与大型场景相比，烟雾在空间上具有很大的关联性。最后，使用包含烟雾的主要成分的空间纹理的阈值相关性来执行烟雾分类。
没有提供对算法性能的定量或定性评估。

Chen-Yu, L., Chin-Teng, L., Chao-Ting, H. & Miin-Tsair, S. (2012). Smoke Detection using Spatial and Temporal Analyses. International Journal of Innovative Computing, Information and Control Volume 8, Number 6, June 2012.

Chen-Yu，Chin-Teng，Chao-Ting和Miin-Tsair（2012） 提出了一种烟雾检测方法，该方法利用了基于块的时空分析。首先使用时差和GMM背景扣除技术的组合执行候选区域提取步骤。然后，该方法提取在空间，时间和时空小波域内的基于能量和归一化RGB颜色的特征。将这三个功能组合在一起，并馈入基于高斯内核的SVM进行分类。为了减少误报率并在较短的响应时间内保持较高的检测率，引入了基于时间的警报决策单元（ADU）。他们的平均检测率为83.5％，错误警报率为0.1％，平均反应时间为1.34秒。
他们的实验结果表明，该算法能够以较低的误报率和较短的反应时间检测烟雾。但是，基于颜色的功能可能会使该方法的性能取决于烟雾的颜色。

Konstantinos, A., Alexia, B. & Ioannis, K. (2012). smoke detection using temporal hoghof descriptors and energy colour statistics from video. Proceeding of International Workshop on Multi-Sensor Systems and Networks for Fire Detection and Management, 2012.

Konstantinos，Alexia和Ioannis（2012） 提出了一种算法，用于在各种挑战性条件下（例如吹风或其他移动物体）在时空上精确定位烟雾。首先使用运动信息进行背景和前景分离。然后构造定向梯度直方图（HOG）和定向光流直方图（HOF），以同时考虑外观和运动信息。之后，将它们随时间平均以进行时间平滑，从而为每个候选块生成一个时空描述符。之后，通过在这些描述符上应用分层k均值聚类来建立视觉词汇，从而开发出快速的词袋。最后，通过以成对方式比较训练数据来创建内核矩阵，并使用SVM分类器来检测包含烟雾的帧。在算法的第二阶段中，使用HSV色彩空间中基于阈值的色彩分析以及使用Sobel边缘检测滤镜进行的能量分析，在检测到烟雾的每个帧中进行空间定位烟雾颗粒。
该算法在Bilken University和Visor smoke数据集上进行了测试，并获得了显着的结果。但是，没有提供有关算法反应时间的信息。

Teresa, A., Vidal, C. & Gabriel A. (2012). Integrated Probabilistic Generative Model for Detecting Smoke on Visual Images. IEEE International Conference on Robotics and Automation RiverCentre, Saint Paul, Minnesota, USA May 14-18, 2012.

Teresa，Vidal和Gabriel（2012） 提出了一种新颖的无监督烟雾分类技术。使用一个模型对单个视觉特征进行分类，该模型可同时创建密码本，并使用基于LDA模型的词袋范式对烟雾进行分类。 该方法不需要图像中的分割，ROI的提取或运动估计。取而代之的是，视觉特征（从Scale Invariant Feature Transform -SIFT获得）使用新颖的对象分类器直接分类，该对象分类器同时创建一个码本并使用“单词袋（BoW）”范式对烟雾进行分类。在可视BoW模型中，码本的生成和建模任务是独立处理的。首先，使用训练集的所有描述符生成密码本，然后学习考虑数据中某些特征的模型。这两个任务集成在一起。
据报道，该算法可以使用概率生成模型同时生成一个密码本并对一个主题进行分类。所提出的集成方法是完全概率的，并且可以检索给定图像中可用的烟雾量。通过使用该方法对在移动平台上安装的不同摄像机拍摄的两个图像序列获得的平均分类精度为89.61。该方法需要在具有不同背景条件的大型数据集上进行测试。

Ruggero, D-L., Angelo, G., Vincenzo, P. & Fabio, S. (2012). Wildfire Smoke Detection using Computational Intelligence Techniques Enhanced with Synthetic Smoke Plume Generation. IEEE transactions on systems, Man and Cybernetics–Part A: Systems and Humans, 2012.

Ruggero，Angelo，Vincenzo和Fabio（2012） 提出了一个有趣的评估烟雾检测算法的虚拟环境。他们介绍了一种基于细胞模型的虚拟环境，用于计算合成野火烟雾序列。提出的烟雾模拟方法旨在对远程野火烟雾云进行建模，可用于训练野火检测方法使用的分类器。该方法基于轻量级的基于物理的模型，该模型使用传播和碰撞的规则来重新创建对流，扩散和浮力的基本原理。通过在虚拟模型中添加伪随机变化来模拟外力（例如风）。然后将生成的烟羽与真实帧序列合并。最后，将不利的环境条件（例如低照度，雾气和采集噪声）添加到模型中。模拟中用来控制烟雾强度的主要参数是模拟烟羽的延伸，密度和速度。所提出的方法分为以下步骤：（1）初始羽流计算；（2）外力计算；（3）速度估计；（4）与帧序列合并；（5）模拟不利条件。
据报道，使用所提出的方法获得了准确的结果，并且模拟的合成烟雾序列允许创建现实的数据集，该数据集可用于训练烟雾检测系统并提高其准确性和适应性。

Chunyu, Y., Zhibin, M. & Xi, Z. (2013). A real-time video fire flame and smoke detection algorithm. The 9th Asia-Oceania Symposium on Fire Science and Technology.

Chunyu，Zhibin＆Xi（2013） 提出了一种基于前景图像累积和光流技术的实时视频火灾和烟雾探测方法。所提出的方法分为四个主要阶段：首先，使用帧差分方法从图像中提取运动像素和区域。其次，使用静态颜色模型来查找烟雾候选区域。第三，构建前景累积图像以消除烟雾。在最后一个阶段，使用基于块的图像处理和光流技术来计算烟雾的运动特征。该方法假定烟雾通常为灰色。烟雾像素的三个分量R，G和B大致相等。然后将RGB色彩空间中给定像素的最大，最小和平均强度与一些实验确定的阈值进行比较。基于块的金字塔Lucas-Kanade光流技术用于提取烟雾的运动特征。为了降低光流计算的计算复杂度，将每个烟雾块中心的像素视为特征点。最后，将具有对数乙状结肠传递函数的反向传播神经网络用于烟雾特征分类。
无疑，该方法将减少计算量。
但是，它不能用于烟色不是灰色的情况。

Chen J., You Y. & Peng, Q. (2013). Dynamic analysis for video based smoke detection. International Journal of Computer Science Issues, 10(2):298–304.
Chen, J. & You, Y. (2013). Early Fire Detection Using HEP and Space-time Analysis. Computer Vision and Pattern Recognition (cs.CV); Multimedia (cs.MM) arXiv:1310.1855 [cs.CV]. October, 2013.

利用研究人员在动态纹理分割中获得的显著成果，Chen＆You（2013） 提出了特征提取方法，该方法利用烟雾的动态特性进行基于视频的烟雾检测。所提出的算法由各种基于块的处理阶段组成，这些处理阶段包括使用RGB颜色空间中的运动和颜色检测候选烟雾块；以及使用累积运动方向，基于等效模式直方图（HEP）的空间纹理描述符以及包含三个正交平面上的帧间差异和动态纹理描述符的时空特征分析进行候选烟块验证。他们在三个正交平面中引入了边缘方向直方图（EOH）。对主要的空间和动态纹理描述符进行了广泛的比较研究。使用SVM分类器评估提出的功能的性能。在算法的最后阶段，引入了烟雾历史图像（SHI），以根据候选烟雾块的当前和历史分类结果计算置信度值，以减少误报。
实验结果表明，与最新技术相比，检测精度得到了提高，并且实现了防误报。

Chao-Ching, H. (2013). Nighttime Fire/Smoke Detection System Based on a Support Vector Machine. Hindawi Publishing Corporation Mathematical Problems in Engineering Volume 2013.

Chao-Ching（2013） 发表的论文中独特地解决了夜间视频烟雾检测的问题。在该方法中，**将激光投射到监视的视场中，然后分析返回的投射光截面图像以检测火和烟。**该方法假定，如果在投影路径中由于激光的扩散或散射而产生的监视区域内出现烟雾，则彩色CCD摄像机传感器会接收到相应的信号。所提出算法的连续处理步骤利用图像序列的烟雾填充区域（在YCbCr颜色空间中）的光谱，扩散和散射特征来确定视频中可能烟雾的位置。然后，使用支持向量机通过非线性分类方法对烟雾进行表征。据报道，在各种夜间条件下的实验结果表明，该方法能够可靠地检测烟雾。
然而，据报道，由于温度和电源的波动，所使用的现成的商用激光二极管发射的波长不稳定。

Hyuntae, K., Daehyun, R., & Jangsik, P. (2014). Smoke Detection Using GMM and Adaboost. International Journal of Computer and Communication Engineering, Vol. 3, No. 2, March 2014.

Hyuntae，Daehyun＆Jangsik（2014） 最近进行的一项研究提出了一种室外烟气检测系统，该系统对白天的环境变化具有鲁棒性。应用高斯混合模型（GMM） 作为背景估计算法，以获得候选烟雾对象。使用计算有效的积分图像方法从候选烟雾区域中提取Haar特征，然后应用模糊和形态学图像处理技术。最后，将Adaboost算法应用于烟雾物体的检测。
据报道，该方法的性能在计算上非常有效，并且在检测室外烟雾方面非常有效。
但是，该方法仅在很少的视频剪辑上进行了测试；并且仅提供定性措施。

除了研究界的研究之外，与使用摄像机进行火灾探测相关的商业产品也在市场上出现。流行的基于视频的商业火灾探测系统包括EYEfi，FireWatch和ForestWatch。当前在市场上可用的其他基于视频的烟雾探测器还包括AxonX LLC制造的SigniFire，Fastcom Technology制造的SFA，D-Tec制造的FireVu和SimplexGrinnell制造的AlarmEye。但是，出于可理解的原因，未提供有关其算法的足够详细信息。

5 结论

尽管已使用不同的新颖技术克服了大多数挑战（例如烟雾密度的变化，照明条件，取决于亮度条件的外观，场景的颜色，变化的背景，其他移动的物体和阴影以及不稳定的图案），许多现有的VFD方法仍然容易受到错误警报的影响。错误火灾警报的影响可能包括宣布紧急情况，最终可能会导致对检测系统的总体信心丧失和重大经济损失。可以预期，未来在有效的动态纹理分割方面的工作将有助于减少这种误报。另外，如先前的研究所示，通过使用各种图像融合技术组合多光谱视频信息，可以获得具有高检测精度和低误报率的更鲁棒的烟雾检测。尽管这样的系统当前可能很昂贵，但是随着多光谱图像采集设备的成本降低，它们将非常有用。

参考文献

Ahmad, A. A. (2014). A Review on Forest Fire Detection Techniques. International Journal of Distributed Sensor Networks, Volume 2014, Article ID 597368.

Breejen, E., Breuers, M., Cremer, F., Kemp, R., Roos, M., Schutte, K. & Vries, J (1998). Autonomous forest fire detection. Third International Conference on Forest Fire Research and Fourteenth Conference on Fire and Forest Meteorology, Luso, Portugal.

Çetin, E. A., Dimitropoulos, K., Gouverneur B., Grammalidis N., Gunay, O., Habiboglu, H. Y., Töreyin, B.U. & Verstockt S. (2013). Video fire detection – review. Digital Signal Processing, 23(6):1827–1843, June, 2013.

Chao-Ching, H. (2013). Nighttime Fire/Smoke Detection System Based on a Support Vector Machine. Hindawi Publishing Corporation Mathematical Problems in Engineering Volume 2013.

Chen-Yu, L., Chin-Teng, L., Chao-Ting, H. & Miin-Tsair, S. (2012). Smoke Detection using Spatial and Temporal Analyses. International Journal of Innovative Computing, Information and Control Volume 8, Number 6, June 2012.

Chen J., You Y. & Peng, Q. (2013). Dynamic analysis for video based smoke detection. International Journal of Computer Science Issues, 10(2):298–304.

Chen, J. & You, Y. (2013). Early Fire Detection Using HEP and Space-time Analysis. Computer Vision and Pattern Recognition (cs.CV); Multimedia (cs.MM) arXiv:1310.1855 [cs.CV]. October, 2013.

Chengjiang, L., Jianhui, Z., Shizhong, H., Lu, X., Zhiyong, Y., Jing, H. & Weiwei, G. (2010). Transmission: A New Feature for Computer Vision Based Smoke Detection. Artificial Intelligence and Computational Intelligence, 389-396.

Chunyu, Y., Zhibin, M. & Xi, Z. (2013). A real-time video fire flame and smoke detection algorithm. The 9th Asia-Oceania Symposium on Fire Science and Technology.

Damir, K., Darko, S. & Toni, J. (2009). Histogram-Based Smoke Segmentation in Forest Fire Detection System. Information Technology and Control. Vol.38, No.3, 2009,pp.237-244.

Dongil, H. & Byoungmoo, L. (2009). Flame and smoke detection method for early real-time detection of a tunnel fire. Fire Safety Journal, pp. 951-961.

DongKeun, K. & Yuan-Fang, W. (2009). Smoke Detection in Video. WRI World Congress on Computer Science and Information Engineering, vol. 5, pp.759-763.

Eric den, B., Marcel, B., Frank, C., Rob, K., Marco, R., Klamer, S. & Jan, S. (1998). Autonomous Forest Fire Detection. 14th Conference on Fire and Forest Meterology VOL II, pp. 2003-2012, Luso, 16/20 November 1998.

Kose, K., Tsalakanidou, F., Besbes, H., Tlili, F., Governeur, B., & Pauwels, E., et al. (2009). FireSense: fire detection and managment through a multi-sensor network for protection of cultural heritage areas from the risk of fire and extreme weather conditions. Proceedings of the 7th Framework Programme for Research and Technological Development, 2009.

Gomez-Rodriguez, F., Arrue, B.C. & Ollero, A. (2003). Smoke monitoring and measurement using image processing - application to forest fires. Proceedings of SPIE AeroSense 2003: XIII Automatic Target Recognition, April 2003, pp. 404 – 411.